Enhancing adherence: Evaluating interventions for Heart Failure management in older adults
Notice bibliographique
Résumé
• Personalized and technology-driven interventions are crucial for improving HF management and outcomes. • Noncompliance with HF treatment can be attributed to a lack of clear communication from medical staff and insufficient out-of-hospital care. • Technology, particularly mobile health applications, offers scalable solutions to enhance patient engagement and adherence. Management of heart failure (HF) is challenging, particularly because of the high rates of medication non-adherence among older adults. This leads to increased hospital readmission and healthcare costs. To address these challenges, a combination of non-pharmacological strategies, such as lifestyle changes and targeted pharmacological interventions, is crucial for improving the outcomes and reducing the burden of HF. This scoping review aims to map out existing literature and highlight the interventions used for HF management to enhance adherence in the older adult population. This scoping review examined peer-reviewed studies from PubMed, CINAHL, SCOPUS, and the Cochrane Library databases The search yielded 511 articles, of which 13 were included in the final review. After examining all the studies, four key aspects emerged: increasing health literacy, utilizing mHealth applications, personalized cardiac rehabilitation, and scheduled mobile reminders. This study found that personalized care, technology-driven interventions and clear communication from healthcare professions are crucial for improving HF management and outcomes. Future studies should focus on broadening language inclusion and investigate the interplay between HF and comorbid conditions to enhance applicability of interventions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,039 | 0,105 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,013 | 0,019 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».